兰州大学的毕业证图片样本（用图片级别的弱标注去覆盖新的种类）

　　坐标在XML文档存储之后会存放在一个txt文件中，这实际上就是作为检测算法的一个重要的导出的信号。训练算法是需要把图输入给神经网络，网络训练完成后，在模型的输出端就会出现物体框的位置，就是上述的四个坐标。将样本标注好以后，样本不仅仅是采集的图片，它还包括输入和输出，输入是图像，输出的是txt文件。所以对于同一张图片，图的名称和标签的文件名以及放的txt文件要一一对应。如果是30号的样本，标签的文件名将会是30号，它对应的图像也将是30号文件。这样对于后面提取数据的时候，就可以从刚才对应的目录取文件和标注，数据进行训练也就会更加精准。

　　针对这个问题，我们提出用图片级别的弱标注去覆盖新的种类。例如从COCO拓展到COCO-STUFF，不需要再为新覆盖的91个种类提供强标注，只需要为每个样本标注图片级别的标签即可，而图片级别的标签是代价及其小的，可拓展性高的。如图1所示，原本的基础类别标注了“猫”“杯子”“床”等种类，但是没有标注“台灯”种类。在我们的学习模式种，如果要新去覆盖“台灯”这个种类，只需要为改图片标记“台灯”标注即可。这无疑极大地降低了拓展时的标注成本，使得语义分割模型对新类别有极大的拓展潜力。

　　初始化图像转换是一个非常重要的工作，因为采集大量的图片样本是一个成本很高的工作，所以通过将PIL图片做各种变形转换，相当于我们又给样本集加入了很多样本。比如我们对原始图片进行放大，缩小，裁剪部分，旋转，变成黑白等等。

　　模型训练中内置数据增强算法，可批量生产虚拟数据，大幅扩充数据集，可对图片做光照，对比度，模糊，旋转，畸变，水印，底纹，噪声等处理，降低样本构建成本。

　　为了提供更细粒度的监督，我们使用像素-像素相似度迁移来为新种类提供像素级的正则化项。如上图所示，由于所有训练样本都有类别标签，所以对于一个训练样本，可以找到与它包含相同基础种类、新种类的样本，作为参考样本。在两个图片上各自采样一些点，并且枚举构成一些像素点对。

　　核酸采样期间，敬请广大居民不要围观，不要进行拍摄，不要将相关信息、图片、视频上传网络。对干扰、阻碍样本采集，恶意造谣、传播不实图片视频和言论，造成严重社会影响的，将依法追究相关责任。

　　在训练阶段，我们有一些基础种类和另一些新种类，两者没有交集。对于数据训练集的每一张图片，其中属于基础种类的像素都带有像素级别的种类标注；其余像素被标记为未知（或忽略）；图片中的新种类带有图片级别的标注，也就是分类标签。该学习模式下的评测阶段与标准的语义分割一致，评测图片可能中可能带有基础种类，也可能带有新种类。这个学习模式被称为弱样本语义分割。

　　Dumbo的基本链路通过对标准化样本进行生成，基于样本来进行模型训练。用户只要输入图片，通过训练的模型就能识别及最终产出前端所需代码。

　　手写数字图片处理后形成了32x32的0-1矩阵，将32x32的矩阵变形为1x1024的行向量后，两张图片所对应的行向量间的欧氏距离可以反映两张图片的相似度。因此我们可以利用K近邻算法模型计算新样本与原始训练集中各个样本的欧氏距离，取新样本的k个近邻点，并以大多数近邻点所在的类别作为新样本的分类。

　　采集时需要特别关注的是刚才提到的小样本，当电动车距离摄像头距离较远时，相机的识别可能就会出错。遮挡情况下的电动车图片特征根据机器学习特征获取卷积的原理可能无法提取，最终训练出来的模型可能就会识别出错。像这样情况，如何通过样本让它包含这些所谓的小样本，让样本里面就包含这样的不完全的样本，从而让机器识别被遮挡部分特征的车辆也是电动车，这些需要选择算法让机器自己学习完成。

　　数据选取（eg：人脸识别如果样本选取都是亚洲人的图片，那么最终模型对亚洲人的识别效果会好于其他地区）评估方法调参

　　分析计算位移离散曲线：对所有图片进行动静样本匹配分析，获得样本在图片中的相对坐标，然后计算动静样本坐标距离，换算成位移变化表，最后绘制动静样本位移变化离散折线。

　　在识别电动车的问题上，如图1所示，电动车骑手头盔目标检测不仅仅要判断图片中是否是“电动车”，还要在图片中标记出“电动车”和“头盔”的位置，然后利用标注工具用边框进行框定。在检测头盔的时候，首先要检测出骑电动车的人，然后再检测这个人的头部是否佩戴了头盔。所以基本的需求并不是简单的检测头盔，而是检测这个头盔是不是佩戴在骑电动车的骑手头上。在我们采集数据样本的时候，怎么去标注、怎么去选择合适的样本，这是我们需要重点考虑的问题。

　　怎没有选择专业的权利？每个兰大学生均有六次转专业机会，所有兰州大学的同学毕业证均一样，全国高校没有因专业不同，毕业证不同的！

　　训练模式时将同一张图片进行两种数据增强得到2张图片，这两张图片互为正样本。验证模型时图片只是进行归一化和变成Tensor

　　在将人脸图片训练成模型的时候，我们需要提供人脸的图片样本以及图片对应的ID编号给到空的模型文件。因此，我们需要对采集到的图片进行一定的处理，由于这里过程较为复杂，因此我们将其写在函数中。

　　请广大居民自觉服从静态管理各项要求，不造谣、不信谣、不传谣，有序参加社区组织的核酸采样筛查。对干扰、阻碍样本采集，恶意传播不实图片、视频和言论，造成严重社会影响的，将依法追究法律责任。

　　补充更多图片样本并对标注结果进行修正后，重新训练模型，发现模型的mAP和精确率均到了提升，其中mAP提升明显；但模型的召回率同时也有比较显著的下降。

　　最常见的例子就是人脸检测，只知道一张图片上的信息，用这些信息来匹配出要检测的图片，这就是单样本检测，也可以称之为一次学习。

　　数据采集完成后，下一步需要进行数据标注。数据标注需要人工手动完成，其原理实际上就是给模型一个导出的信号。目标的检测算法是有监督的，也就是给机器输入一些可以学习的样本。例如，我们需要将图片的每一帧抓取出来之后，手动标注电动车的位置和头盔的具体位置，这样机器便可以根据标注位置进行学习训练。

　　本次区域核酸筛查是落实“四早”要求的具体举措，请广大居民朋友积极配合各采样点工作人员做好核酸筛查工作，不造谣、不信谣、不传谣、不恐慌。对干扰、阻碍样本采集，恶意传播不实图片、视频和言论信息，造成严重社会影响的，将依法从严追究法律责任。

　　建议采集真实应用场景的数据，如森林火灾现场图片，如无对应丰富样本，也可从历史森林火灾事故视频中抽取森林背景下的火灾烟雾和火种图片。

　　生成图片分布报告：Coovally可统计分析用户上传的目标检测类数据集（包括样本集和样本集标签）并生成图片标签数据分析报告，如下图所示：

　　点击考生中心页面左侧导航【上传资料】，可进入考生照片及证件资料上传页面，上传考生个人照片和身份证、毕业证、学位证、教师资格证图片，报考骨干教师岗位的考生另需上传职称证及相关证书图片。